在乳腺癌检测和风险预测中的可解释的人工智能:系统范围审查
Amirehsan Ghasemi1,2, Soheil Hashtarkhani1, David L Schwartz3
1Department of Pediatrics, Center for Biomedical Informatics, College of Medicine University of Tennessee Health Science Center Memphis Tennessee USA.
Cancer innovation
|October 21, 2024
概括
可解释的人工智能 (XAI) 增强了对人工智能用于乳腺癌检测的信任. 沙普利增材扩张 (SHAP) 是领先的XAI方法,提高了医疗AI的透明度和临床决策.
科学领域:
- 医疗人工智能 医疗人工智能
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 人工智能 (AI) 算法越来越多地用于医学,但通常充当"黑子",妨碍临床信任.
- 可解释的人工智能 (XAI) 旨在解决复杂的人工智能模型缺乏透明度的问题.
- XAI对于医疗保健中可靠的人工智能应用至关重要,特别是在癌症检测等敏感领域.
研究的目的:
- 系统地审查XAI在乳腺癌检测和风险预测中的应用.
- 确定乳腺癌研究中使用的最常见的XAI技术.
- 了解XAI如何为瘤学中的AI模型的解释性做出贡献.
主要方法:
- 从2017年1月到2023年7月,对同行评审研究进行系统范围审查.
- 在Scopus,IEEE Explore,PubMed和谷歌学者中进行的搜索.
- 在乳腺癌数据集中包含了30项采用XAI方法的研究.
主要成果:
- 沙普利添加式扩展 (SHAP) 成为最常用的模型不可知性XAI技术.
- SHAP被广泛应用于解释模型预测,生物标志物分类和乳腺癌生存分析.
- 由于其模型不可知性和易于实现,SHAP有效地解释了基于树的集体机器学习模型.
结论:
- XAI,特别是SHAP,显著提高了人工智能模型在乳腺癌研究中的透明度和可解释性.
- 采用XAI促进了更大的信任,并在人工智能驱动的医疗保健中促进了更好的临床决策.
- XAI最终有助于提高人工智能支持的医疗系统的护理质量和患者结果.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:41Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases
Published on: May 17, 2019
8.9K
